Dietary Approaches to Stop Hypertension: Lessons Learned From a Case Study on the Development of an mHealth Behavior Change System
Notice bibliographique
Résumé
BACKGROUND: Evidence-based solutions for changing health behaviors exist but problems with feasibility, sustainability, and dissemination limit their impact on population-based behavior change and maintenance. OBJECTIVE: Our goal was to overcome the limitations of an established behavior change program by using the inherent capabilities of smartphones and wireless sensors to develop a next generation mobile health (mHealth) intervention that has the potential to be more feasible. METHODS: In response to the clinical need and the growing capabilities of smartphones, our study team decided to develop a behavioral hypertension reduction mHealth system inspired by Dietary Approaches to Stop Hypertension (DASH), a lifestyle modification program. We outline the key design and development decisions that molded the project including decisions about behavior change best practices, coaching features, platform, multimedia content, wireless devices, data security, integration of systems, rapid prototyping, usability, funding mechanisms, and how all of these issues intersect with clinical research and behavioral trials. RESULTS: Over the 12 months, our study team faced many challenges to developing our prototype intervention. We describe 10 lessons learned that will ultimately stimulate more effective and sustainable approaches. CONCLUSIONS: The experiences presented in this case study can be used as a reference for others developing mHealth behavioral intervention development projects by highlighting the benefits and challenges facing mHealth research.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,021 | 0,037 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,008 | 0,005 |
| Communication savante | 0,006 | 0,007 |
| Science ouverte | 0,004 | 0,006 |
| Intégrité de la recherche | 0,005 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».